VT-Contrast

本文提出 VT-Contrast，一种在 VideoLM 训练中对视频 token 表示施加时间反事实对比监督的方法，通过区分保持时间顺序的正样本与打乱顺序的负样本，增强模型对事件动态和时间顺序的感知能力。